综述：乳腺癌H&E至IHC虚拟染色方法概述与性能评估

这篇综述系统梳理了基于深度生成模型（DGM）的乳腺癌免疫组化（IHC）虚拟染色技术，重点探讨了从H&E染色生成HER2、ER、PgR和Ki-67等关键生物标志物图像的算法（如GAN、扩散模型）及其在公共数据集（BCI、MIST）上的性能评估，为临床病理诊断提供了资源节约型解决方案。

　　

乳腺癌与临床IHC生物标志物

乳腺癌作为全球女性健康的首要威胁，其分子分型依赖免疫组化（IHC）检测关键生物标志物：人表皮生长因子受体2（HER2）、雌激素受体（ER）、孕激素受体（PgR）和增殖标志物Ki-67。临床指南明确规定了这些标志物的判读标准（如HER2 IHC 2+需原位杂交验证），其表达水平直接指导内分泌治疗或靶向疗法的选择。值得注意的是，ER阳性患者（占75-80%）对激素治疗敏感，而HER2过表达者可从抗HER2治疗中获益，但Ki-67的临床价值仍存争议。

图像翻译的深度生成模型

虚拟染色本质是图像域转换任务，主流技术包括：

1. 生成对抗网络（GAN）：通过生成器与判别器的对抗训练实现H&E到IHC的转换。条件GAN（cGAN）和循环一致性GAN（cycleGAN）是典型架构，后者通过双向转换约束解决未配对数据问题。
   
   
2. 对比学习：如对比未配对翻译（CUT）模型，通过最大化查询-正样本相似度保留内容特征。进阶的适应性监督PatchNCE（ASP）损失利用真实IHC嵌入优化对比权重。
3. 扩散模型：通过逐步去噪过程生成图像，近期研究显示其在稳定性和图像质量上超越GAN。

病理学专用评估指标

除常规图像质量指标（SSIM、PSNR）外，病理学特异性评估至关重要：

• DAB通道分析：基于HED颜色空间分离染色区域，计算Jensen-Shannon距离（JSD）比较真实与生成图像的染色分布。
• 下游任务验证：如HER2状态分类器在虚拟染色图像上的性能测试。
• 病理学家盲评：Martino等研究显示，合成Ki-67图像与真实图像的临床判读一致性达60%。

公开数据集与模型性能

BCI和MIST是两大核心数据集，分别提供9746对H&E-HER2注册图像和21,295张多标志物配对数据。基准测试显示：

• 金字塔Pix2Pix在SSIM（0.38±0.12）上占优，但输出模糊；
• PSPStain通过病理语义保留策略，在DAB通道JSD（0.75±0.27）上表现最佳，但跨数据集泛化性待提升。

挑战与未来方向

当前瓶颈包括：

1. 数据配对缺陷：连续切片导致的非像素级对齐问题；
2. 评估标准缺失：需建立病理信息保真度的金标准；
3. 临床转化障碍：模型需通过前瞻性试验验证诊断效能。扩散模型和同切片多重染色技术或将成为突破点。

（注：全文严格依据原文缩略语及符号规范，如H&E、IHC²⁺等，未新增文献引用。）